CC BY
64
№2(20)2009
Н. Г. Ярушкина, И. В. Семушин, А. Ю. Нуруллин, Н. Н. Ястребова
Структура компонентно-ориентированной системы для анализа экономического состояния предприятия
Стратегия оценки эффективности деятельности предприятия часто зависит как от опыта и способностей эксперта, так и инструментов, вычислительных ресурсов, применяющихся в ходе анализа. Существует несколько подходов, использующих различные инструменты. Эта статья отображает попытки развития гибкой среды экспертизы на основе методологии мягких вычислений Л. Заде при решении задачи оценивания деятельности предприятий.
Среди новых задач электронного бизнеса оценка эффективности деятельности предприятия рассматривается как важное средство удержания позиций бизнеса. В последние 10-15 лет появились специализированные программные продукты для менеджеров, консультантов и аудиторов бизнеса, такие как базы знаний; экспертные системы; инструменты для анализа динамики, основанные на правилах; системы поддержки принятия решений; инструменты оценки стоимости [1], [2], [5]. Традиционное совершенствование таких инструментов заключается в достижении большей точности и детальности на каждом уровне оценки. Но некоторые локальные улучшения точности отдельных инструментов анализа не означают увеличения производительности и эффективности бизнеса, в котором фактические противоречия встречаются чуть ли не на каждом шагу. При экспертизе крупных предприятий сказывается и общая сложность процесса. Проблема также в том, что различные инструменты основаны на различных принципах. Более того, они используют различные типы данных: четкие и нечеткие, качественные и количественные. Многообразие таких инструментов, гетерогенность данных и разнообразие подходов являются препятствиями на пути широкого распространения электронного бизнеса. Таким образом проявляет себя широко известный принцип Л. Заде. Согласно этому принци-
18 >
пу, точность и смысл вступают в конфликт с некоторого момента анализа.
Проблема становится еще более сложной, если процесс экспертизы включает в себя взаимодействие различных географически удаленных партнеров. Наблюдаются ошибки координации, усложняется передача и преобразование данных для различных инструментов. Для ликвидации всех этих затруднений в электронном бизнесе всем менеджерам, аудиторам, оценщикам эффективности, консуль-тантам-экспертам необходимо предоставить программный инструментарий, надежный и способный успешно взаимодействовать с другими инструментами в процессе экспертизы. Решение проблемы — это не создание лучшего по точности инструмента, а интеграция различных подходов, инструментов и технологий в Intemet-cpefle — COMBINE (Component-based Integration Environment).
Цели и используемые методы
Когда несколько предприятий объединились в партнерство, каждый партнер, желая иметь успешный бизнес (или быть успешным в общем бизнесе), должен давать ясные ответы на следующие вопросы.
• Насколько эффективна деятельность?
• Насколько эффективна деятельность конкретного участника?
№2(20)2009
• Какие управленческие или финансовые действия приведут к увеличению дохода?
• Кому будут доступны данные, предоставленные в COMBINE?
• Как убедиться в достоверности ответов, полученных на вышеперечисленные вопросы?
Получение ответов на первый и второй вопросы означает, что каждый партнер должен получить возможность для самооценки и кросс-оценки других партнеров соответственно. Инструментарий COMBINE должен принимать в расчет все доступные данные партнеров, прежде всего управленческие и финансовые действия. Ответ на третий вопрос предполагает, что этот инструментарий выдает конструктивные рекомендации партнерам, обратившимся к нему. Наконец, решение четвертой задачи должно полностью исключить неавторизованный доступ к данным, используемым в интегрируемой среде COMBINE.
Главные методы, использованные в проекте COMBINE, следующие:
• метод анализа иерархий Саати [3];
• объектно-ориентированное проектирование и программирование;
• современные методы мягких вычислений: нечеткая экспертная система, нечеткий реляционный сервер данных.
Архитектура lntemet-сврвиса
Охарактеризуем главные компоненты разрабатываемой версии COMBINE и методологию, использованную при их разработке (рис. 1).
Основными компонентами системы являются:
• Мягкая экспертная система (МЭС), включающая:
□ Нечеткий реляционный сервер данных (НРСД),
□ Нечеткую систему логического вывода (НСЛВ),
• процессор анализа иерархий;
• библиотеку компонент.
НРСД используется в нечеткой экспертной системе для организации хранения нечетких доменов в реляционных таблицах. Часть исходных данных, предназначенных для анализа,
представляет собой качественные лингвистические оценки, данные экспертами.
Объект
Дефаззификатор
-►
Фаззификатор
Нечеткая экспертная система
Система нечеткого вывода
Система принятия решений
База правил и нечетких термов
Рис. 1. Структурная схема нечеткой экспертной системы
Результатами анализа эффективности деятельности предприятия являются выводы о состоянии, тенденциях развития предприятия и выработка рекомендаций по увеличению эффективности деятельности. Логический вывод выполняется нечеткой экспертной системой, так как бизнес-правила содержат качественные параметры, выражаемые нечеткими множествами.
Выработка рекомендаций по повышению эффективности деятельности предприятия осуществляется как с помощью логического вывода, так и с помощью системы принятия решений (СПР), построенной на основе метода анализа иерархий [3]. Процессор анализа иерархий (ПАИ) выполняет многокритериальный выбор решения и использует операторы агрегации, функции принадлежности, сравнительные матрицы критериев, переменные, представляющие реальные свойства, такие как цены, размеры и т. д. Также ПАИ вычисляет индекс согласованности, отношения согласованности, локальные и глобальные векторы приоритетов, позволяющие достичь определенного заключения.
Одна из фундаментальных особенностей системы заключается в том, что любой опытный эксперт-консультант или аудиторская фирма могут разрабатывать, публиковать (встраи-
19
№2(20)2009
вать) собственную компоненту в библиотеку компонент. Все компоненты включаются в библиотеку исключительно через ее входы и выходы (формальные параметры процедур). Итак, COMBINE — расширяемая система, способная к самоорганизации. Ее природа адаптирована ктакой ситуации, в которой множество независимых компонентов используется различными способами в процедурах экспертной диагностики. Процедура экспертной диагностики реализуется МЭС, интеллектуальным ядром системы, в то время как остальные части представляют собой сервер данных и www-сервер.
Выбор метода нечеткого вывода
Современные экспертные системы в основном строятся на мягких вычислениях, сочетающих в себе преимущества использования лингвистических переменных, нечеткого вывода, нейронных сетей и генетических алгоритмов.
Несмотря на явные преимущества использования гибридных нейронных сетей (табл.), на практике не всегда представляется возможным использовать их в силу отсутствия, нерепрезентативности или недостаточного количества исходных данных, необходимых для построения обучающей выборки. Хотя построение функций принадлежности является одним из самых узких и сложных мест в теории нечетких множеств, их непосредственное задание с помощью существующих методов — единственный возможный вариант представления знаний в подобных ситуациях. Рассмотрим схемы нечеткого вывода [10], [11 ].
3.1. Нечеткий логический вывод по Мамдани
Нечеткий логический вывод по алгоритму Мамдани выполняется по нечеткой базе знаний:
« [ П
U П X, рИ;=I
a¡jp с весомо
jp
> у = d¡, j = 1, т,
в которой значения входных и выходной переменных заданы нечеткими множествами. Введем следующие обозначения:
— функция принадлежности входах, нечеткому терму Оф, т. е.
(у) — функция принадлежности выхода у нечеткому терму А т. е.
, ;..Ц,/, (У) , _1 у '
Степени принадлежности входного вектора х* =(х",х£,...,х„) к нечетким термам ^ из базы знаний рассчитывается следующим образом:
Р = 1,/С| 13=1,®
где Л(у)— операция из х-конормы (^нормы), т. е. из множества реализаций логической операции ИЛИ (И) наиболее часто используются следующие реализации: для операции ИЛИ — нахождение максимума и для операции И — нахождение минимума.
Таблица
Сравнение методов вычислительного интеллекта
Метод вычислительного интеллекта Наличие обучающих выборок Обязательное наличие эксперта Способ построения функций принадлежности и правил нечеткого вывода
Нечеткие нейронные сети: J. J. Buckley, J. S. Roger Jang [12] + — Автоматический. С помощью соответствующих алгоритмов обучения сетей
Системы иерархического нечеткого вывода V. Torra [9] Вручную. С помощью методов построения функций принадлежности. Правила формируются на основании утверждений эксперта в виде слов естественного языка
20
№2(20)2009
В результате получаем нечеткое множество у, соответствующее входному вектору х*:
В результате получаем нечеткое множество у, соответствующее входному вектору х*:
| | | ^ Iх*)
Четкое значение выхода у, соответствующее входному вектору х*, определяется в результате дефаззификации нечеткого множест-вау. Наиболее часто применяется дефаззифи-кация по методу центра тяжести.
3.2. Нечеткий логический вывод по Сугено
Нечеткий логический вывод по алгоритму Сугено (иногда говорят алгоритм Така-ги—Сугено) выполняется по нечеткой базе знаний:
и П X; :
Р = 1|ч/ = 1
-^У=Ь],о +Ь]А -х,+Ь]Л ■ х2+...+Ь],п ■ хп, где = — некоторые числа.
Базы знаний Сугено и Мамдани аналогичны, за исключением правил ¿¡¡, которые задаются линейной функцией от входов:
с1; + >>: -X;.
/=1,п
Правила в базе знаний Сугено являются своего рода переключателями с одного линейного закона «входы — выход» на другой, тоже линейный. Границы подобластей размыты, следовательно одновременно могут выполняться несколько линейных законов, но с различными степенями. Степени принадлежности входного вектора х* =(х*,х2*,...,хп) к значениям
d,=b
1,0
х, рассчитываются следующим
образом:
р= 1,/с/ /=1,п
где д(у) — операция из 5-конормы (?-нормы), т. е. из множества реализаций логической операции ИЛИ (И). В нечетком логическом выводе Сугено наиболее часто используются следующие реализации треугольных норм: вероятностное ИЛИ как 5-норма и произведение как ?-норма.
3.3. Синглетонная модель нечеткого логического вывода
Рассмотрим нечеткую базу знаний, в которой посылы заданы нечеткими множествами, а заключения правил — четкими числами:
П х, =o,-j с весом Wj —>y=d1,j='\,m,
где dj— некоторые действительные числа, которые могут быть представлены нечеткими множествами-си нглетонами.
Синглетонная база знаний может рассматриваться как частный случай базы знаний Мам-дани. Четкое число, которым задается значение выходной переменной, может рассматриваться как частный случай нечеткого множества. Такие нечеткие множества называются синглетонами. Функция принадлежности нечеткого множества-синглетона принимает единичное значение только для одного элемента, и нулевое — для остальных. Кроме того, синглетонная нечеткая база знаний может также рассматриваться как частный случай базы знаний Сугено: она эквивалентна нечеткой базе знаний Сугено нулевого порядка, в которой коэффициенты при входных переменных в линейных законах «входы—выход» равны нулю.
Степени принадлежности входного вектора х* =(х*,х2*,...,хп) к четким значениям dj рассчитываются следующим образом:
\1 d, (X*)=Wj •; A_[jiij(х*)] j = 1,m, где Л — операция из f-нормы;
В результате получаем нечеткое множество у, соответствующее входному вектору х*:
~ Мх*), , , м^Л*')
у =--—- Н---—Ч-...Н---—-.
с/, d2 dm
Четкое значение выхода рассчитывается путем дефаззификации нечеткого множества у по методу центра тяжести:
21
№2(20)2009
ЕМ**Н
~ 7=1,m
У= ЕМ**) '
7=1 ,т
Обратим внимание, что в отличие от результата вывода Мамдани, приведенное выше нечеткое множество является обычным нечетким множеством первого порядка. Оно задано на множестве четких чисел. Результирующее значение выхода у определяется как суперпозиция линейных зависимостей, выполняемых в данной точке х* n-мерного факторного пространства. Для этого дефаззифицируют нечеткое множество у, находя взвешенное среднее:
ЕМ**К
~ 7=1,m
У= ЕМ**)
7=1, т
или взвешенную сумму:
У= Е_ МХ*Н-
7=1, т
Для разработки алгоритма и механизма многошагового нечеткого вывода необходимо выбрать в качестве базовой, такую схему логического вывода, которая бы удовлетворяла следующим критериям: выходное множество до дефаззификации должно быть дискретным нечетким множеством, чтобы в иерархической системе не накапливалась нечеткость, способствующая искажению результатов. Оптимальным выбором схемы нечеткого вывода является нечеткий логический вывод Сугено: выходное нечеткое множество в этой схеме логического вывода является нечетким множеством первого порядка. Это позволяет избежать накопления нечеткости при его использовании в иерархических системах.
Технология и реализация
Определяя COMBINE как консалтинговый Internet-сервис, предназначенный для оценки финансового состояния предприятия, мы имеем в виду, что конечному пользователю предоставляются следующие технологические инструменты:
• IP-сеть, поддерживающая базовое множество web-сервисов для передачи данных
с унифицированной адресацией, протоколом роутинга, DNS.
• web-сервер, обеспечивающий доступность гипертекстовых документов через IP-сеть в ответ на запрос web-клиента;
• Нечеткий реляционный сервер данных, обеспечивающий хранение и поиск в базах данных большого объема;
• интеллектуальная компонента, сочетающая в себе Нечеткий реляционный сервер данных и Нечеткую систему логического вывода.
Таким образом, COMBINE реализована как комбинация НРСД и web-сервера. После формирования результатов экспертизы, они передаются web-серверу, который возвращает соответствующий HTML-документ web-клиенту, инициировавшему анализ.
Для реализации экспертной системы используется следующее программное обеспечение:
• Apache HTTP Server 2.0
• Tomcat 6.0.16
• J2SE6.0
• Apache Derby 10.3.3.0
• Hibernate 3.2.0
Для разработки был выбран J2SE 6.0 (Java) ввиду его многих преимуществ:
• простота и удобство. Экономия времени на отладке и тестировании приложений благодаря автоматическому распределению памяти и использованию garbage collection.
• поддержка кросс-платформенности. Созданная программа может выполняться на любой платформе. На сегодняшний день Java является единственным платформенно-незави-симым решением.
• надежность. Java делает акцент на ранней проверке возможных ошибок, поэтому отладка идет значительно быстрее.
Hibernate — это объектно-реляционное управление памятью и стабильная основа, которая предоставляет множество дополнительных возможностей — от интроспекции до полиморфизма и преобразования наследования. Данный инструмент обеспечивает удобную структуру для соотнесения объектно-реляционного отображения модели предметной области с традиционной реляционной базой данных.
Реализация объектно-реляционного отображения (O/R mapping) является общей по-
22
№2(20)2009
требностью для множества проектов по разработке программного обеспечения. Обычно работа над автоматизацией процесса хранения данных очень скучна, и при ручной реализации существует опасность возникновения ошибок. Если кэтому прибавить постоянно меняющиеся требования, разработчику необходимо учитывать сложный процесс синхронизации исходного кода и структуры хранения данных.
Hibernate позволяет нам «безболезненно» хранить данные в постоянном хранилище, при этом выбор типа хранилища, установка и конфигурирование не составляют большой трудности, а также хранить объекты любого вида, поэтому приложению не обязательно знать, что его данные будут сохраняться с применением этого ПО. Его возможности несравнимо шире, чем простой набор этих базовых операций. Hibernate может полноценно управлять транзакциями с поддержкой операций commit, rollback, наследование, некоторых типов коллекций, а также вооружает разработчика очень мощным объектно-ориентированным языком запросов, HQL, который имеет множество различных полезных возможностей.
Теперь рассмотрим используемую СУБД, Apache Derby. Вместо того чтобы рассматривать Derby просто как эффективный инструмент для хранения данных, посмотрим на него как на сложную систему, реализующую различные возможности, в том числе защиту, обработку и извлечение данных. Он позволяет задействовать все эти возможности, не жертвуя такими достоинствами Java-технологии, как переносимость и объектная ориентация. Apache Derby полностью реализована на Java и включает следующие преимущества:
• поддерживает стандарты Java, JDBC и SQL;
• имеет маленький размер ~ 2 Мбайта;
• предоставляет встроенный JDBC-драй-вер, который позволяет включить Derby в любое Java-приложение;
• данное приложение легко установить, развернуть и использовать.
На рис. 2 изображена схема серверной части COMBINE. Программа разделена на пакеты для того, чтобы данные и управляющая часть были отделены друг от друга. Пакет JFuzzy — главный модуль программы, отвечающий
за вычисления, выполняющиеся в рамках процедуры иерархического нечеткого логического вывода. JFuzzDB — модуль для работы с базой данных. Такая архитектура делает разработку приложения более гибкой.
Рис. 2. Серверная часть COMBINE
Визуализация результата
В экспертных системах, традиционно используемых для экономического анализа, визуализация результатов реализуется такими средствами, как словесные экспертные заключения, линейчатые диаграммы, гистограммы, круговые диаграммы, трехмерные диаграммы. Эти средства представления результатов требуют много времени для понимания информации руководителем предприятия или экспер-том-экономистом. По этой причине представляется обоснованным использование лица Чернова в качестве интегральной оценки, выраженной в графической форме (рис. 3) [8].
Рис. 3. Визуализация состояния предприятия с помощью лица Чернова
23
№2(20)2009
Объект (оцениваемое предприятие) обычно имеет большую размерность, т. е. его экономическое состояние определяется большим количеством первичных экономических показателей, отраженных в бухгалтерских регистрах. В настоящее время бухгалтерский план счетов включает в себя около 90 типов счетов. Исключая из рассмотрения счета регулирующего и контролирующего типа, мы можем рассматривать 10, 20 базовых показателей для предприятий различной формы собственности и вида деятельности. Конструктивные элементы лиц Чернова разрабатываются с использованием образов, предложенных ранее и адаптированных для отображения экономического состояния предприятия.
Результаты и преимущества
Главным результатом данного проекта является реализация и тестирование нового Internet-сервиса. Он предоставляет клиенту набор интерактивных компонент, формирующих среду для проведения экспресс-анализа экономического и финансового состояния предприятия. Консалтинговый сервис представляет собой очень дорогую услугу. Особенно высокая цена запрашивается за полномасштабную экспертизу. Следовательно, главное преимущество COMBINE — это сокращение цены консалтинга. Такое преимущество особо важно для малых и средних предприятий, которым становится доступным через Internet анализ и аудит бизнеса. Мы использовали COMBINE для анализа деятельности двух корпораций: авиакомпании «Волга-Днепр» и ООО «Номатекс». Доказано на практике, что результаты оценивания и рекомендации стали очень ценными для дальнейшей деятельности данных организаций.
Одна из главных компонент COMBINE — МЭС — анализирует исходные данные, высчитывает значения экономических показателей, делает выводы о воздействии определенных факторов на экономическую и финансовую деятельность, и, наконец, формирует рекомендации для руководства предприятия. Как результат работы приложения, web-клиент получает HTML-документ в виде отчета по экономическому состоянию предприятия.
Заключение
COMBINE предоставляет www-сервис по оценке предприятия, повышающий его эффективность, и, следовательно, доход данного предприятия. Хотя разрабатываемая система является достаточно сложной, для конечного пользователя она проста. Полномасштабная реализация COMBINE служит дополнительным фактором развития электронного бизнеса.
СПИСОК ЛИТЕРАТУРЫ
1. Askers R., Bica I., Kant Е., Randall С., Young, R. (Sci-Finance: A Program Synthesis Tool for Financial Modeling, Al Magazine, V. 22, № 2. 2001. P. 27-43.
2. Chen Sh.and Chang, Sh. Fuzzy Economic Production Quantity Model with Quality Improvement Investment and Fuzzy Costs, Proceedings of the 10th IFSA World Congress,Turkey, Istanbul, 2003. P. 523-527.
3. SaatyT.L. andKearns K. P. Analytical Planning. The Organization of Systems / Pergamon Press, Oxford, 1985.
4. BuddT. An Introduction to Object-Oriented Programming (2nd ed.), Wesley. 1997.
5. Nolan J. An Intelligent System for Case Review and Risk Assessment in Social Services, Al Magazine, V. 19, № 1.1998. P. 39-47.
6. Yarushkina N. 'Soft Computing and Complex System Analysis', Int. J. General Systems, Vol. 30, N 1. 2000. P. 71-88.
7. Zadeh L A. A Theory of Approximate Reasoning, Machine Intelligence, V. 9.1979.
8. ChernoffH. Using Faces to Represent Points in K-Dimensional Space Graphically, J.ASA, 1973. P. 68-68.
9. НорвигА. M., Турсон И. Б. Построение функций принадлежности II Нечеткие множества и теория возможностей. Последние достижения: пер. с англ. М.: Радио и связь,1986.
10. Рыжов А. П. Элементы теории нечетких множеств и измерения нечеткости. М.: Диалог-МГУ, 1998.
11. Штовба С. Д. Введение в теорию нечетких множеств и нечеткую логику (http:/mat la b.expo ne n ta. ru/ fuzzylogic/bookl/index.php)
12. Ярушкина H. Г. Основы теории нечетких и гибридныхсистем:учеб. пособие. М.: Финансы и статистика, 2004.
24
